Skild AI 的 $140 亿赌注：买的是一个还没被证明的 scaling law
$14B 估值、$30M 收入——Skild AI 是当前「机器人大脑层」融资最雄厚、叙事最完整的玩家。ABB/UR/Foxconn 的真实部署给它加了锚，但 omni-bodied 泛化的集成成本是 $140 亿里最大的未定价风险。
$140 亿估值，$30M 收入。
把这个数字拆开看：467 倍的市销率。Physical Intelligence 在零收入阶段拿了 $56 亿估值，已经被说贵，Skild 用 $30M 收入把估值撑到 $14B——乘数大约是 PI 的近 3 倍。
但资本市场不是傻子。SoftBank 领投 $1.4B 的 Series C，NVIDIA 跟投，Bezos 个人掏钱，Lightspeed、Sequoia、Coatue 全在桌上。这不是 FOMO 追高，这是一群看过足够多 AI 周期的人在对同一个东西下注：物理世界的 foundation model。
要理解这笔钱投的是什么，得回答三个问题。Skild 到底在卖什么？凭什么值这个钱？什么东西能让这个估值归零？
（来源：TechCrunch、官方 Series C 博文）
谁在操盘
Deepak Pathak 和 Abhinav Gupta。两个人都是 CMU 出来的，Pathak 在 Meta AI 做过，Gupta 是 FAIR 的知名研究员。2023 年成立 Skild，不到两年半累计融资超过 $20 亿。
这不是两个学术理想主义者在做实验。Series C 刚关，官网上就挂了 44 个开放岗位，从 AI Research 到 Hardware & Embedded Systems 到 Robotics Operations 全覆盖。2026 年 2 月宣布班加罗尔办公室，全球扩张的信号已经拉满。
投资方的阵容值得细看。SoftBank 领投，NVIDIA 的 NVentures 参与——这意味着不是纯粹的财务投资，NVIDIA 是他们的训练基础设施核心供应商。Jeff Bezos 通过 Bezos Expeditions 进局，Amazon Industrial Innovation Fund 和 Alexa Fund 也在名单上。再加上 Schneider Electric、LG，这是一个横跨云计算、工业自动化、消费电子和能源管理的资本联盟。
（来源：Skild AI 官网、招聘页、班加罗尔办公室博文）
Skild Brain 卖的是什么
一句话：一个能跨任意机器人形态工作的通用大脑。“Any robot. Any task. One brain.”
技术上是个端到端的分层 VLA 架构。上层跑低频的 manipulation 和 navigation policy，下层跑高频 action policy，一路下钻到 joint angles 和 motor torques。这个架构本身不新鲜，新鲜的是训练方式。
Skild 搭了一个包含 100,000 种 procedurally generated robots 的仿真 multiverse。不是 10 种、100 种，是十万种形态各异的机器人，全部在 NVIDIA Isaac Lab 上并行训练。官方说日均可产出”千年经验”级别的仿真数据。预训练阶段还灌入了大量互联网人类视频。
遥操作永远无法扩展到 foundation model 需要的规模，但互联网上的人类活动视频，天然就是一个互联网规模的机器人数据集。
最后用定向采集的真实世界数据做 post-training。效果怎么样？LocoFormer 论文里展示了几个堪称疯狂的 zero-shot 泛化案例：机器人断了一条腿，7 到 8 秒内自动适应新步态继续行走；轮子被卡死，2 到 3 秒内切换到其他移动策略；零样本学会走高跷——从未在训练中见过高跷，直接就能走上台阶。
这不是调参调出来的，是 foundation model 真正意义上的泛化。Scale 到位之后涌现出来的能力。
（来源：Omni-bodied 博文、LocoFormer 论文、Learning by Watching 博文、技术路线博文、NVIDIA 案例研究）
$30M 收入的锚在哪
2025 年的 live revenue 从零开始，几个月内跑到了约 $30M。部署覆盖安全、建筑、交付、数据中心、仓库和工厂组装六个行业。
旗舰案例是 Foxconn 的 Blackwell GPU 产线。具体任务是双臂组装：busbar pick-place、limit block 安装、16 颗螺丝钻入、然后移除 limit block。这不是 demo，是在实际产线上跑的双臂协调操作。
更重要的信号来自工业机器人巨头。ABB Robotics 总裁 Marc Segura 公开表示将把 Skild Brain 集成到 ABB 的产品体系里。Universal Robots 的 CEO Jean-Pierre Hathout 确认了合作关系。ABB 和 UR 不是那种为了 PR 站台的公司——它们的客户是工厂，工厂买的是可靠性和稳定性，不是 PPT。
这意味着 Skild 的商业路径不是自己造机器人，而是做 OEM 的智能层供应商。Pathak 在 Davos 访谈里提到目标机器人成本是 $4,000 到 $15,000 一台，对比传统工业机器人 $250,000+。这个价格带指向的是大规模部署，不是精品项目。
（来源：Series C 博文、Reindustrial Revolution 博文、NDTV Davos 访谈、Davos 访谈文字）
跟 Physical Intelligence 比，差在哪
Physical Intelligence 是目前最直接的竞品。两家都做 brain layer，都融了大钱，都把 foundation model 当作核心叙事。但底层策略截然不同。
PI 偏真实世界数据驱动。从超市、洗衣房这些实际部署场景里直接采集数据来训练。这个路径的优点是数据保真度高，缺陷是规模天然受限——你不可能同时部署一万个机器人在超市里收集数据。
Skild 偏仿真加人类视频预训练。仿真管够，互联网视频无穷无尽，规模上几乎没有天花板。但问题在这里：仿真到真实的 sim2real gap 是几十年没彻底解决的老问题。人类视频再怎么”互联网规模”，人类的手和机器人的 gripper 毕竟是两回事，人类的关节自由度和电机的 torque 曲线也完全不同。视频预训练能学到多少真正能迁移到物理执行层的东西，现在只能靠论文里的案例来推断——而论文案例和产线故障之间的鸿沟，是 $140 亿估值里最大的未定价风险。
估值上的差距也很说明问题。PI 在 2025 年 11 月的 Series B 估值为 $56 亿，Skild 两倍不止。一部分溢价来自 $30M 收入和 ABB/UR/Foxconn 的商业验证，但乘数的悬殊意味着市场在给 Skild 的 omni-bodied 泛化叙事一个显著的溢价。不光是泛化到新任务，而是泛化到新形态——给四足机器人训练的大脑能用在人形机器人上，给人形机器人训练的策略能迁移到桌面机械臂上。如果这个泛化真的成立，那 Skild 不是在卖软件 license，是在卖一个操作系统级别的平台。如果成立不了，那 Skild 就是一个需要为每种新形态重新适配的集成公司，估值的逻辑就完全不同。
（来源：分析师推断，竞品估值见档案记录）
最大的不确定项：omni-bodied 的集成成本
omni-bodied 听起来很美，落到真实世界会有多痛？
不同 OEM 的传感器方案天差地别，控制栈各不相同，安全约束涉及各国的机械安全标准。每套体系对力控、速度限制、紧急停止都有不同的合规要求。Skild 官方从未公开讨论过这些层面的适配成本。（来源：分析师推断，无公开数据）
每一个新形态、新 OEM 的集成都需要适配这些层面。上层 policy 可能确实能泛化——“把这个物体从 A 点移到 B 点”的语义理解不需要为每个形态重新训练。但下层高频 action policy 要输出精确到 joint angles 和 motor torques 的指令，换了电机型号、关节数量、传感器配置之后，下层模型到底能不能零样本适配？
Skild 官方几乎从未公开讨论过集成成本和真实落地摩擦。LocoFormer 论文展示了 zero-shot 泛化案例，但论文实验环境与真实工厂部署之间存在质变差异——论文里可以在几秒内重置环境跑几千次 trial。在真实工厂里，一个双臂组装任务如果出了问题，停下来调试的成本是按分钟算的产线 downtime。
Foxconn 的 Blackwell 产线案例是一个真实信号，但一个案例还不足以证明跨形态泛化在商业层面是可行的。ABB 和 UR 的合作表态是另一个信号，但表态到量产出货之间还有一段路。这段路到底有多长、多贵，是 $140 亿估值会不会回调的关键。
（来源：分析师推断，无公开数据）
赌的是什么
Skild 现在讲的故事是具身 AI 赛道里最完整的。融资阵容无出其右，技术论文有硬货，商业验证有真客户，团队在疯狂扩招准备全球扩张。omni-bodied 的叙事逻辑自洽——如果物理世界存在 scaling law，那就需要足够大的仿真 multiverse 来触发它，而不是靠逐个场景收集数据。
但物理世界的 scaling law 到今天还没被证明。语言模型的 scaling law 已经被验证了一轮又一轮，因为文本是离散的、结构化的、可无损复制的。物理交互是连续的、高维的、每次执行都有微妙差异的。仿真数据在这个范式里扮演的角色能不能等价于语言模型预训练中的互联网文本，没有人知道答案。
$140 亿的估值本质上是在赌两个命题：第一，物理世界的 scaling law 存在；第二，Skild 能率先跑通。命题一如果成立，具身智能的 TAM 确实可以大到撑起这个估值。命题二是关于执行——跨 OEM 的泛化能不能在商业成本约束内实现，能不能从 Foxconn 一个案例扩展到十个、一百个客户。
ABB 的背书、UR 的合作、Foxconn 的产线部署，这些是真实信号，不是 PPT。但 2026 年下半年才是真正值得盯的时间窗口。$1.4B 的 Series C 到账之后，Skild 需要交出规模化部署的成绩单。如果 omni-bodied 泛化的集成成本低到可以接受，那估值有支撑。如果每接入一个新形态都像传统系统集成那样磨几个月，那这 $140 亿买的就不是操作系统，而是一家高毛利的系统集成公司——后者的天花板远低于前者。
在物理世界的 scaling law 被证明之前，所有人都在为信仰买单。区别只在于，你是用 $56 亿买单，还是 $140 亿。
Talos · RobotScope